Graphthulhu MCP Server Fornece Memória de Grafo de Conhecimento para Agentes de IA no Logseq/Obsidian

Graphthulhu é um servidor MCP que dá aos agentes de IA acesso completo de leitura e gravação a um cofre do Logseq ou Obsidian. Em vez de incorporar trechos de texto em vetores, o agente escreve páginas estruturadas com propriedades e [[links]] entre elas, criando um grafo de conhecimento como memória.

Como Funciona

O sistema armazena a memória do agente como arquivos markdown simples no disco. Cada página tem tipo (projeto/decisão/pesquisa/lição/informação), status e carimbos de data/hora de criação/atualização. O agente escreve após aprender, vincula páginas relacionadas e segue padrões de propriedades. Durante batimentos cardíacos periódicos, o agente revisa notas diárias recentes e promove conteúdo importante para o grafo.

Resultados Após Um Mês

• 404 páginas criadas
• 1.451 referências cruzadas entre páginas
• Projetos vinculam a decisões, que vinculam a pesquisas, que vinculam a lições aprendidas
• A memória se torna uma rede de conhecimento conectado que fica mais densa com o tempo

Problemas com Memória Vetorial Resolvidos

O autor identifica três problemas com sistemas típicos de memória baseada em vetores:

• Recuperação de ângulo único: Consultas de pesquisa devem corresponder ao ângulo em que a memória foi armazenada. "Falha de autenticação do Fitbit" e "problema de cookie do navegador" podem ser a mesma memória, mas vetores não as conectarão a menos que você pesquise por ambas.
• Sem estrutura: Tudo é armazenado como embeddings com peso igual. Uma preferência central e um evento único parecem iguais para o sistema de recuperação.
• Sem relacionamentos: Saber que o fato A e o fato B existem é inútil se você não puder ver que A causou B.

Vantagens do Grafo de Conhecimento

• Recuperação multi-gancho: Cada [[link]] é um caminho de recuperação. Pesquise por "OpenChaos" e você obtém a página do projeto, depois siga os links para encontrar crises de governança, análise competitiva e pesquisa acadêmica.
• Tipos são nativos: O grafo sabe estruturalmente que uma preferência e um evento são coisas diferentes. Nenhuma taxa de decaimento aprendida necessária.
• Persistência: Falhas do agente, redefinições de sessão, trocas de modelo - o conhecimento persiste. Sem banco de dados, sem embeddings para recalcular, sem armazenamento vetorial para manter. Faça backup com git para memória versionada.

Detalhes Técnicos

• Binário único Go
• 37 ferramentas MCP
• Funciona com backends Logseq e Obsidian
• Código aberto no GitHub

Compensações e Planos Futuros

A abordagem requer mais estrutura inicial do que "apenas incorporar tudo". O agente precisa de disciplina para escrever após aprender, sempre vincular páginas relacionadas e seguir padrões de propriedades. O autor está trocando conveniência por profundidade.

Planos futuros incluem adicionar RAG sobre o grafo: incorporar conteúdos de página para busca semântica difusa para encontrar o ponto de entrada, depois usar travessia de grafo para puxar tudo conectado a ele. Isso segue o padrão do artigo GraphRAG da Microsoft de busca semântica para descoberta e links de grafo para expansão de contexto.